本文主要是介绍16.5 DarLoc:基于深度学习和数据特征增强的鲁棒室内磁定位,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
文献来源:
Wang Q, Jia J, Deng Y, et al. DarLoc: Deep learning and data-feature augmentation based robust magnetic indoor localization[J]. Expert Systems with Applications, 2024, 244: 122921.
摘要:
由于地磁场的普遍性,基于磁场的室内定位方法受到了广泛的关注,并且不需要额外的基础设施。然而,现有方法仍然面临着设备类型、行人持有姿态和移动速度等因素造成的异质性问题。为了解决这个问题,本文提出了一种新的基于深度学习和数据特征增强的磁性定位框架(DarLoc)。首先,采用方向不敏感的磁信号提取方法去除序列中的直流分量,以消除不同保持姿态和不同移动设备带来的影响;其次,提出了新颖的数据增强和特征增强方法来提取速度信息的特征,从而解决了不同移动速度带来的多尺度序列问题;最后,提出了一种深度多尺度时空学习模型,用于同时提取增强序列的空间和时间特征,并对具有不同移动速度和姿态的人进行鲁棒定位。在长达14个月的时间里,研究人员对189名志愿者使用4种不同的移动设备和多种移动速度进行了广泛的实验,以评估DarLoc的性能。实验结果表明:(1)DarLoc算法在恒定和可变移动速度场景下的平均定位精度分别为0.47 m和0.56 m;(2)与现有定位方法相比,DarLoc的定位精度分别提高了约41%和60%。
这篇关于16.5 DarLoc:基于深度学习和数据特征增强的鲁棒室内磁定位的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!